本文提出了一种结合神经放射场和时间对比学习的方法，以从2D视觉中学习动态3D场景模型，支持复杂操作任务的视觉控制与预测。研究表明，级联神经网络在准确度和性能上表现最佳，并提出了一种基于视觉反馈的精细操作解决方案，利用Transformers融合多视图信息，显著提升学习效果。

该论文提出了一种在传统图形管线中将多边形网格资源嵌入逼真的神经放射场（NeRF）体积中的方法，以实现物理一致的渲染和模拟。通过设计网格和NeRF之间的双向耦合，解决了路径跟踪器和标准NeRF之间的颜色空间差异。还提出了估计光源和在NeRF上投射阴影的策略，并与高性能物理模拟器高效集成。

本文介绍了一种从2D视觉观察中学习动态3D场景模型的方法，结合神经放射场、时间对比学习和自动编码框架，可以学习到视点不变的3D感知场景表示，支持视觉运动控制和未来预测，并支持摄影机视点外训练分布的目标规定。同时，还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。